Fugu-MT 論文翻訳(概要): Scheduling and Power Control for Wireless Multicast Systems via Deep Reinforcement Learning

論文の概要: Scheduling and Power Control for Wireless Multicast Systems via Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2011.14799v1
Date: Sun, 27 Sep 2020 15:59:44 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 03:36:33.695099
Title: Scheduling and Power Control for Wireless Multicast Systems via Deep Reinforcement Learning
Title（参考訳）: 深層強化学習による無線マルチキャストシステムのスケジューリングと電力制御
Authors: Ramkumar Raghu, Mahadesh Panju, Vaneet Aggarwal and Vinod Sharma
Abstract要約: 無線システムにおけるマルチキャストは、コンテンツ中心ネットワークにおけるユーザ要求の冗長性を利用する方法である。電力制御と最適スケジューリングは、衰退中の無線マルチキャストネットワークの性能を著しく向上させることができる。提案手法により, 大規模システムに対して, 電力制御ポリシを学習可能であることを示す。
参考スコア（独自算出の注目度）: 33.737301955006345
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multicasting in wireless systems is a natural way to exploit the redundancy in user requests in a Content Centric Network. Power control and optimal scheduling can significantly improve the wireless multicast network's performance under fading. However, the model based approaches for power control and scheduling studied earlier are not scalable to large state space or changing system dynamics. In this paper, we use deep reinforcement learning where we use function approximation of the Q-function via a deep neural network to obtain a power control policy that matches the optimal policy for a small network. We show that power control policy can be learnt for reasonably large systems via this approach. Further we use multi-timescale stochastic optimization to maintain the average power constraint. We demonstrate that a slight modification of the learning algorithm allows tracking of time varying system statistics. Finally, we extend the multi-timescale approach to simultaneously learn the optimal queueing strategy along with power control. We demonstrate scalability, tracking and cross layer optimization capabilities of our algorithms via simulations. The proposed multi-timescale approach can be used in general large state space dynamical systems with multiple objectives and constraints, and may be of independent interest.
Abstract（参考訳）: 無線システムにおけるマルチキャストは、コンテンツ中心ネットワークにおけるユーザ要求の冗長性を利用する自然な方法である。電力制御と最適スケジューリングは、衰退中の無線マルチキャストネットワークの性能を著しく向上させることができる。しかし、以前に研究した電力制御とスケジューリングのためのモデルに基づくアプローチは、大規模状態空間やシステムダイナミクスの変更には拡張性がない。本稿では,深層ニューラルネットワークによるq関数の関数近似を用いて,小型ネットワークの最適ポリシーに適合する電力制御ポリシを得る深層強化学習手法を提案する。このアプローチにより,大規模システムに対して電力制御方針を学習できることを実証する。さらに, 平均電力制約を維持するために, マルチタイムスケール確率最適化を用いる。学習アルゴリズムの微調整により,システム統計の時間変化を追跡できることを示した。最後に,マルチタイムスケールアプローチを拡張し,電力制御とともに最適な待ち行列戦略を同時に学習する。シミュレーションにより,アルゴリズムのスケーラビリティ,トラッキング,クロスレイヤ最適化機能を実証する。提案したマルチタイムスケールアプローチは、複数の目的と制約を持つ一般の大規模状態空間力学システムで使用することができ、独立した関心を持つ可能性がある。

関連論文リスト

Optimizing Load Scheduling in Power Grids Using Reinforcement Learning and Markov Decision Processes [0.0]
本稿では,動的負荷スケジューリングの課題に対処する強化学習(RL)手法を提案する。提案手法は実時間負荷スケジューリングのためのロバストでスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2024-10-23T09:16:22Z)
Differentiable Discrete Event Simulation for Queuing Network Control [7.965453961211742]
キューのネットワーク制御は、高い性、大きな状態とアクション空間、安定性の欠如など、異なる課題を生んでいる。本稿では,異なる離散イベントシミュレーションに基づくポリシー最適化のためのスケーラブルなフレームワークを提案する。本手法は,非定常環境で動作するシステムなど,現実的なシナリオを柔軟に処理することができる。
論文参考訳（メタデータ） (2024-09-05T17:53:54Z)
Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文参考訳（メタデータ） (2023-01-20T17:06:34Z)
Cell-Free Data Power Control Via Scalable Multi-Objective Bayesian Optimisation [0.0]
セルフリーマルチユーザマルチ入力多重出力ネットワークは,従来のセルアーキテクチャの代替として有望である。従来,様々な最適化エンジンを用いた無線資源管理機構が開発されてきた。我々は、セルフリーネットワークにおけるアップリンクダウンリンクデータ電力制御の文脈において、全体的なエルゴードスペクトル効率の最大化の問題を考える。
論文参考訳（メタデータ） (2022-12-20T14:46:44Z)
Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文参考訳（メタデータ） (2022-12-15T17:01:56Z)
Hierarchical Multi-Agent DRL-Based Framework for Joint Multi-RAT Assignment and Dynamic Resource Allocation in Next-Generation HetNets [21.637440368520487]
本稿では,次世代無線ネットワーク(HetNets)における共同最適無線アクセス技術(RATs)の割り当てと電力割り当てによるコストアウェアダウンリンク総和率の問題について考察する。本稿では,DeepRAT(DeepRAT)と呼ばれる階層型多エージェント深層強化学習(DRL)フレームワークを提案する。特に、DeepRATフレームワークは、問題を2つの主要なステージに分解する: 単一エージェントのDeep Q Networkアルゴリズムを実装するRATs-EDs割り当てステージと、マルチエージェントのDeep Deterministic Policy Gradientを利用するパワー割り当てステージである。
論文参考訳（メタデータ） (2022-02-28T09:49:44Z)
Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文参考訳（メタデータ） (2021-05-03T07:23:39Z)
Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文参考訳（メタデータ） (2021-05-01T10:18:34Z)
Deep Actor-Critic Learning for Distributed Power Control in Wireless Mobile Networks [5.930707872313038]
深層強化学習は、教師付きディープラーニングと古典的な最適化に代わるモデルなしの代替手段を提供する。本稿では,深いアクター・クリティカル・ラーニングの助けを借りて,分散的に実行された連続電力制御アルゴリズムを提案する。提案した電力制御アルゴリズムを,携帯端末とチャネル条件が急速に変化するタイムスロットシステムに統合する。
論文参考訳（メタデータ） (2020-09-14T18:29:12Z)
Learning High-Level Policies for Model Predictive Control [54.00297896763184]
Model Predictive Control (MPC)は、ロボット制御タスクに対する堅牢なソリューションを提供する。ニューラルネットワークの高レベルポリシーを学習するための自己教師付き学習アルゴリズムを提案する。提案手法は, 標準的なMPCでは困難な状況に対処できることを示す。
論文参考訳（メタデータ） (2020-07-20T17:12:34Z)
Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven [80.94390916562179]
時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
論文参考訳（メタデータ） (2020-06-16T05:51:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。